大家好！今天讓創(chuàng)意嶺的小編來(lái)大家介紹下關(guān)于數(shù)據(jù)分析實(shí)戰(zhàn)45講百度云的問(wèn)題，以下是小編對(duì)此問(wèn)題的歸納整理，讓我們一起來(lái)看看吧。

開(kāi)始之前先推薦一個(gè)非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)話(huà)答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫(xiě)出的就越詳細(xì)，有微信小程序端、在線(xiàn)網(wǎng)頁(yè)版、PC客戶(hù)端

官網(wǎng)：https://ai.de1919.com

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀企業(yè)，服務(wù)客戶(hù)遍布全國(guó)，網(wǎng)絡(luò)營(yíng)銷(xiāo)相關(guān)業(yè)務(wù)請(qǐng)撥打175-8598-2043，或微信：1454722008

本文目錄:

• 1、《數(shù)據(jù)科學(xué)實(shí)戰(zhàn)手冊(cè)數(shù)據(jù)科學(xué)實(shí)戰(zhàn)手冊(cè)（R+Python）》pdf下載在線(xiàn)閱讀，求百度網(wǎng)盤(pán)云資源

• 2、《人人都是數(shù)據(jù)分析師Tableau應(yīng)用實(shí)戰(zhàn)》pdf下載在線(xiàn)閱讀，求百度網(wǎng)盤(pán)云資源

• 3、《IBMSPSS數(shù)據(jù)分析與挖掘?qū)崙?zhàn)案例精粹》pdf下載在線(xiàn)閱讀，求百度網(wǎng)盤(pán)云資源

• 4、決策樹(shù)的原理及算法

一、《數(shù)據(jù)科學(xué)實(shí)戰(zhàn)手冊(cè)數(shù)據(jù)科學(xué)實(shí)戰(zhàn)手冊(cè)（R+Python）》pdf下載在線(xiàn)閱讀，求百度網(wǎng)盤(pán)云資源

《數(shù)據(jù)科學(xué)實(shí)戰(zhàn)手冊(cè)數(shù)據(jù)科學(xué)實(shí)戰(zhàn)手冊(cè)（R+Python）》TonyOjeda(托尼·奧杰德)SeanPatrickMurphy(肖恩·派特里克·莫非)BenjaminBengfort(本杰明·班福特)電子書(shū)網(wǎng)盤(pán)下載免費(fèi)在線(xiàn)閱讀  

鏈接：https://pan.baidu.com/s/1EqFNGdBQW46Nj8UdHnVLmA

提取碼：bb2u  

書(shū)名：數(shù)據(jù)科學(xué)實(shí)戰(zhàn)手冊(cè)

作者名：Tony Ojeda(托尼·奧杰德) / Sean Patrick Murphy(肖恩·派特里克·莫非) / Benjamin Bengfort(本杰明·班福特)

豆瓣評(píng)分：6.2

出版社：人民郵電出版社

出版年份：2016-8-1

頁(yè)數(shù)：326

內(nèi)容介紹：

這本書(shū)是基于R和Python的數(shù)據(jù)科學(xué)項(xiàng)目案例集錦，內(nèi)容涵蓋了基于數(shù)據(jù)科學(xué)的所有要素，包括數(shù)據(jù)采集、處理、清洗、分析、建模、可視化以及數(shù)據(jù)產(chǎn)品的搭建。案例包含了汽車(chē)數(shù)據(jù)分析、股票市場(chǎng)建模、社交網(wǎng)絡(luò)分析、推薦系統(tǒng)、地理信息分析，以及Python代碼的計(jì)算優(yōu)化。通過(guò)手把手的案例解析，令讀者知其然并知其所以然。業(yè)界的數(shù)據(jù)分析師、數(shù)據(jù)挖掘工程師、數(shù)據(jù)科學(xué)家都可以讀一讀。想要了解實(shí)際工作中如何用數(shù)據(jù)產(chǎn)生價(jià)值的在校學(xué)生，或者對(duì)數(shù)據(jù)科學(xué)感興趣的人也值得一讀。

作者介紹：

Tony Ojeda(托尼·奧杰德)，華盛頓DC數(shù)據(jù)社區(qū)的聯(lián)合創(chuàng)始人，一位經(jīng)驗(yàn)豐富的數(shù)據(jù)科學(xué)家和企業(yè)家，他在佛羅里達(dá)國(guó)際大學(xué)獲得金融碩士學(xué)位，并且在德保羅大學(xué)獲得了MBA學(xué)位。        Sean Patrick Murphy(肖恩·派特里克·莫非)，華盛頓DC數(shù)據(jù)社區(qū)的聯(lián)合創(chuàng)始人，曾在約翰霍普金斯大學(xué)的應(yīng)用物理實(shí)驗(yàn)室做了15年的高級(jí)科學(xué)家，他專(zhuān)注于機(jī)器學(xué)習(xí)、信號(hào)處理、高性能計(jì)算以及建模和模擬。現(xiàn)在他是舊金山、紐約和華盛頓DC多家公司的數(shù)據(jù)顧問(wèn)。                        Benjamin Bengfort(本杰明·班福特)，一位非常有經(jīng)驗(yàn)的數(shù)據(jù)科學(xué)家和Python開(kāi)發(fā)者。他曾在軍方、業(yè)界和學(xué)術(shù)界工作過(guò)8年。他目前在馬里蘭大學(xué)派克學(xué)院攻讀計(jì)算機(jī)博士學(xué)位，研究元識(shí)別和自然語(yǔ)言處理。他擁有北達(dá)科塔州立大學(xué)的計(jì)算機(jī)碩士學(xué)位，并是喬治城大學(xué)的客座教授。  

二、《人人都是數(shù)據(jù)分析師Tableau應(yīng)用實(shí)戰(zhàn)》pdf下載在線(xiàn)閱讀，求百度網(wǎng)盤(pán)云資源

《人人都是數(shù)據(jù)分析師》（劉紅閣）電子書(shū)網(wǎng)盤(pán)下載免費(fèi)在線(xiàn)閱讀

鏈接：https://pan.baidu.com/s/1u70VFNpeeKW5dunEtMP9Tg

書(shū)名：人人都是數(shù)據(jù)分析師

作者：劉紅閣

豆瓣評(píng)分：7.3

出版社：人民郵電出版社

出版年份：2015-11

頁(yè)數(shù)：344

內(nèi)容簡(jiǎn)介：

本書(shū)基于Tableau 9.1 最新版本編寫(xiě)，詳細(xì)介紹了Tableau 的數(shù)據(jù)連接與編輯、圖形編輯與展示功能，包括數(shù)據(jù)連接與管理、基礎(chǔ)與高級(jí)圖形分析、地圖分析、高級(jí)數(shù)據(jù)操作、基礎(chǔ)統(tǒng)計(jì)分析、如何與R 集成進(jìn)行高級(jí)分析、分析圖表整合以及分析成果共享等主要內(nèi)容。同時(shí)，書(shū)中以目前電力行業(yè)已有的監(jiān)測(cè)、分析業(yè)務(wù)實(shí)踐為基礎(chǔ)，以豐富的實(shí)際案例貫穿始終，對(duì)各類(lèi)方法、技術(shù)進(jìn)行了詳細(xì)說(shuō)明，方便讀者快速掌握數(shù)據(jù)分析方法。

本書(shū)適用于互聯(lián)網(wǎng)、銀行證券、咨詢(xún)審計(jì)、快消品、能源等行業(yè)數(shù)據(jù)分析用戶(hù)以及媒體、網(wǎng)站等數(shù)據(jù)可視化用戶(hù)。

作者簡(jiǎn)介：

劉紅閣博士

百度鳳巢分析經(jīng)理，專(zhuān)注于數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、數(shù)據(jù)可視化等領(lǐng)域。

王淑娟

埃森哲咨詢(xún)顧問(wèn)，專(zhuān)注于電力行業(yè)運(yùn)營(yíng)咨詢(xún)、數(shù)據(jù)分析及數(shù)據(jù)可視化等領(lǐng)域。

溫融冰

埃森哲咨詢(xún)經(jīng)理，專(zhuān)注于企業(yè)價(jià)值管理、預(yù)算與績(jī)效管理及數(shù)據(jù)分析等領(lǐng)域。

三、《IBMSPSS數(shù)據(jù)分析與挖掘?qū)崙?zhàn)案例精粹》pdf下載在線(xiàn)閱讀，求百度網(wǎng)盤(pán)云資源

《IBM SPSS數(shù)據(jù)分析與挖掘?qū)崙?zhàn)案例精粹》（張文彤）電子書(shū)網(wǎng)盤(pán)下載免費(fèi)在線(xiàn)閱讀

鏈接：https://pan.baidu.com/s/1JLuFxmTN_B4UzyVOH-7PkQ

書(shū)名：IBM SPSS數(shù)據(jù)分析與挖掘?qū)崙?zhàn)案例精粹

作者：張文彤

豆瓣評(píng)分：9.0

出版社：清華大學(xué)出版社

出版年份：2013-2-22

頁(yè)數(shù)：501

內(nèi)容簡(jiǎn)介：

《IBM SPSS數(shù)據(jù)分析與挖掘?qū)崙?zhàn)案例精粹》以IBM SPSS Statistics 20.0和IBM SPSS Modeler 14.1為工具，提供了醫(yī)療、金融、保險(xiǎn)、汽車(chē)、快速消費(fèi)品、市場(chǎng)研究、互聯(lián)網(wǎng)等多個(gè)行業(yè)的數(shù)據(jù)分析／挖掘案例，基于實(shí)戰(zhàn)需求，詳細(xì)講解整個(gè)案例的完整分析過(guò)程，并將模型和軟件的介紹融于案例講解之中，使讀者在閱讀時(shí)能突破方法和工具的局限，真正聚集于對(duì)數(shù)據(jù)分析精髓的領(lǐng)悟?！禝BM SPSS數(shù)據(jù)分析與挖掘?qū)崙?zhàn)案例精粹》所附光盤(pán)包括案例數(shù)據(jù)和分析程序／流文件，讀者可完整重現(xiàn)全部的分析內(nèi)容。

四、決策樹(shù)的原理及算法

決策樹(shù)基本上就是把我們以前的經(jīng)驗(yàn)總結(jié)出來(lái)。我給你準(zhǔn)備了一個(gè)打籃球的訓(xùn)練集。如果我們要出門(mén)打籃球，一般會(huì)根據(jù)“天氣”、“溫度”、“濕度”、“刮風(fēng)”這幾個(gè)條件來(lái)判斷，最后得到結(jié)果：去打籃球？還是不去？

上面這個(gè)圖就是一棵典型的決策樹(shù)。我們?cè)谧鰶Q策樹(shù)的時(shí)候，會(huì)經(jīng)歷兩個(gè)階段：構(gòu)造和剪枝。

構(gòu)造就是生成一棵完整的決策樹(shù)。簡(jiǎn)單來(lái)說(shuō)，構(gòu)造的過(guò)程就是選擇什么屬性作為節(jié)點(diǎn)的過(guò)程，那么在構(gòu)造過(guò)程中，會(huì)存在三種節(jié)點(diǎn)：

根節(jié)點(diǎn)：就是樹(shù)的最頂端，最開(kāi)始的那個(gè)節(jié)點(diǎn)。在上圖中，“天氣”就是一個(gè)根節(jié)點(diǎn)；

內(nèi)部節(jié)點(diǎn)：就是樹(shù)中間的那些節(jié)點(diǎn)，比如說(shuō)“溫度”、“濕度”、“刮風(fēng)”；

葉節(jié)點(diǎn)：就是樹(shù)最底部的節(jié)點(diǎn)，也就是決策結(jié)果。

剪枝就是給決策樹(shù)瘦身，防止過(guò)擬合。分為“預(yù)剪枝”（Pre-Pruning）和“后剪枝”（Post-Pruning）。

預(yù)剪枝是在決策樹(shù)構(gòu)造時(shí)就進(jìn)行剪枝。方法是在構(gòu)造的過(guò)程中對(duì)節(jié)點(diǎn)進(jìn)行評(píng)估，如果對(duì)某個(gè)節(jié)點(diǎn)進(jìn)行劃分，在驗(yàn)證集中不能帶來(lái)準(zhǔn)確性的提升，那么對(duì)這個(gè)節(jié)點(diǎn)進(jìn)行劃分就沒(méi)有意義，這時(shí)就會(huì)把當(dāng)前節(jié)點(diǎn)作為葉節(jié)點(diǎn)，不對(duì)其進(jìn)行劃分。

后剪枝就是在生成決策樹(shù)之后再進(jìn)行剪枝，通常會(huì)從決策樹(shù)的葉節(jié)點(diǎn)開(kāi)始，逐層向上對(duì)每個(gè)節(jié)點(diǎn)進(jìn)行評(píng)估。如果剪掉這個(gè)節(jié)點(diǎn)子樹(shù)，與保留該節(jié)點(diǎn)子樹(shù)在分類(lèi)準(zhǔn)確性上差別不大，或者剪掉該節(jié)點(diǎn)子樹(shù)，能在驗(yàn)證集中帶來(lái)準(zhǔn)確性的提升，那么就可以把該節(jié)點(diǎn)子樹(shù)進(jìn)行剪枝。

1是欠擬合，3是過(guò)擬合，都會(huì)導(dǎo)致分類(lèi)錯(cuò)誤。

造成過(guò)擬合的原因之一就是因?yàn)橛?xùn)練集中樣本量較小。如果決策樹(shù)選擇的屬性過(guò)多，構(gòu)造出來(lái)的決策樹(shù)一定能夠“完美”地把訓(xùn)練集中的樣本分類(lèi)，但是這樣就會(huì)把訓(xùn)練集中一些數(shù)據(jù)的特點(diǎn)當(dāng)成所有數(shù)據(jù)的特點(diǎn)，但這個(gè)特點(diǎn)不一定是全部數(shù)據(jù)的特點(diǎn)，這就使得這個(gè)決策樹(shù)在真實(shí)的數(shù)據(jù)分類(lèi)中出現(xiàn)錯(cuò)誤，也就是模型的“泛化能力”差。

p(i|t) 代表了節(jié)點(diǎn) t 為分類(lèi) i 的概率，其中 log2 為取以 2 為底的對(duì)數(shù)。這里我們不是來(lái)介紹公式的，而是說(shuō)存在一種度量，它能幫我們反映出來(lái)這個(gè)信息的不確定度。當(dāng)不確定性越大時(shí)，它所包含的信息量也就越大，信息熵也就越高。

ID3 算法計(jì)算的是信息增益，信息增益指的就是劃分可以帶來(lái)純度的提高，信息熵的下降。它的計(jì)算公式，是父親節(jié)點(diǎn)的信息熵減去所有子節(jié)點(diǎn)的信息熵。

公式中 D 是父親節(jié)點(diǎn)，Di 是子節(jié)點(diǎn)，Gain(D,a) 中的 a 作為 D 節(jié)點(diǎn)的屬性選擇。

因?yàn)?ID3 在計(jì)算的時(shí)候，傾向于選擇取值多的屬性。為了避免這個(gè)問(wèn)題，C4.5 采用信息增益率的方式來(lái)選擇屬性。信息增益率 = 信息增益 / 屬性熵，具體的計(jì)算公式這里省略。

當(dāng)屬性有很多值的時(shí)候，相當(dāng)于被劃分成了許多份，雖然信息增益變大了，但是對(duì)于 C4.5 來(lái)說(shuō)，屬性熵也會(huì)變大，所以整體的信息增益率并不大。

ID3 構(gòu)造決策樹(shù)的時(shí)候，容易產(chǎn)生過(guò)擬合的情況。在 C4.5 中，會(huì)在決策樹(shù)構(gòu)造之后采用悲觀(guān)剪枝（PEP），這樣可以提升決策樹(shù)的泛化能力。

悲觀(guān)剪枝是后剪枝技術(shù)中的一種，通過(guò)遞歸估算每個(gè)內(nèi)部節(jié)點(diǎn)的分類(lèi)錯(cuò)誤率，比較剪枝前后這個(gè)節(jié)點(diǎn)的分類(lèi)錯(cuò)誤率來(lái)決定是否對(duì)其進(jìn)行剪枝。這種剪枝方法不再需要一個(gè)單獨(dú)的測(cè)試數(shù)據(jù)集。

C4.5 可以處理連續(xù)屬性的情況，對(duì)連續(xù)的屬性進(jìn)行離散化的處理。比如打籃球存在的“濕度”屬性，不按照“高、中”劃分，而是按照濕度值進(jìn)行計(jì)算，那么濕度取什么值都有可能。該怎么選擇這個(gè)閾值呢，C4.5 選擇具有最高信息增益的劃分所對(duì)應(yīng)的閾值。

針對(duì)數(shù)據(jù)集不完整的情況，C4.5 也可以進(jìn)行處理。

暫無(wú)

請(qǐng)你用下面的例子來(lái)模擬下決策樹(shù)的流程，假設(shè)好蘋(píng)果的數(shù)據(jù)如下，請(qǐng)用 ID3 算法來(lái)給出好蘋(píng)果的決策樹(shù)。

「紅」的信息增益為：1「大」的信息增益為：0

因此選擇「紅」的作為根節(jié)點(diǎn)，「大」沒(méi)有用，剪枝。

數(shù)據(jù)分析實(shí)戰(zhàn)45講.17 丨決策樹(shù)（上）：要不要去打籃球？決策樹(shù)來(lái)告訴你

以上就是關(guān)于數(shù)據(jù)分析實(shí)戰(zhàn)45講百度云相關(guān)問(wèn)題的回答。希望能幫到你，如有更多相關(guān)問(wèn)題，您也可以聯(lián)系我們的客服進(jìn)行咨詢(xún)，客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。

推薦閱讀：

直播的時(shí)候?yàn)槭裁礇](méi)有數(shù)據(jù)（直播的時(shí)候?yàn)槭裁礇](méi)有數(shù)據(jù)了）

短視頻的相關(guān)數(shù)據(jù)（短視頻的相關(guān)數(shù)據(jù)2021）

抖音數(shù)據(jù)運(yùn)營(yíng)的工作內(nèi)容（抖音數(shù)據(jù)運(yùn)營(yíng)的工作內(nèi)容怎么寫(xiě)）

公司業(yè)務(wù)推廣文案（公司業(yè)務(wù)推廣文案范文）

上海園林景觀(guān)設(shè)計(jì)報(bào)價(jià)（上海園林景觀(guān)設(shè)計(jì)免費(fèi)設(shè)計(jì)）